外观
能力对标：简历该突出什么
一句话定义：简历不是你的经历清单，而是一份"证据链"——用一段段可验证的事实，向面试官证明"我能胜任这个岗位要求的每一项能力"。简历的本质是说服，不是罗列。
把一份简历想象成法庭质证：法官（面试官）只相信有证据支持的陈述。你说"我精通机器学习"——证据呢？你说"我有项目经验"——证据呢？你说"我能解决实际问题"——证据呢？没有证据的声称，在 HR 眼里约等于没写；而一份证据充分、环环相扣的简历，能让面试官在见到你本人之前就默认你合格了一半。
本文是 career 模块的第三站：前两站JD 清单告诉你"市场上在招什么"，能力地图告诉你"你会什么、不会什么"，本页负责把两者的差拍合成一份简历——用面试官的眼光重写你已有的经历，而不是从头编造。写作全程用"证据"说话，请先建立一个残酷的设定：面试官默认你简历上的一切都可能是假的，你要做的是让每一条都经得起追问。
一、简历的本质：不是流水账，是证据链
1. 三个"简历神话"和它们的反面
| 神话 | 真相 |
|---|---|
| 简历写得越满越好，能填的都填上 | 信息密度不等于证据密度；每多一行噪音，就稀释一行证据 |
| 把做过的每件事都列一遍，总有一项打动 HR | 打动 HR 的不是"你做过"，而是"你做到了什么、做得多好" |
| 技能堆得越全越安全 | 堆名词经不起追问；一个"熟练"被问穿，全页可信度崩塌 |
把"做过的事情"翻译成"做到的结果"，是整份简历唯一的核心动作。做不到这个翻译，简历就只是"经历流水账"——HR 每天读一百份流水账，多你一份不多。
2. 证据链模型：JD 要求 → 能力项 → 证据
一个合格的求职者与一份合格简历之间的关系是这样的：
┌────────────────────────────────────────────────────────────┐
│ 岗位要求（JD） │
│ 例：熟悉常见机器学习模型，有推荐系统落地经验 │
└─────────────────────────┬──────────────────────────────────┘
│ 拆解
▼
┌────────────────────────────────────────────────────────────┐
│ 能力项（可以被"会/不会"检验的单元） │
│ ① 掌握 LR / GBDT / FM 等模型原理并能落地 │
│ ② 有特征工程与离线/线上评估的经验 │
│ ③ 理解推荐场景的排序与召回链路 │
└─────────────────────────┬──────────────────────────────────┘
│ 逐项配对
▼
┌────────────────────────────────────────────────────────────┐
│ 证据（简历上的每一条，都可被当场验证） │
│ 项目：双十一大促召回，FM+GBDT，AUC +3.2%，点击率 +8% │
│ 比赛：某推荐算法大赛 Top 5%（可复现，有源码） │
│ 开源：为 RecBole 贡献过 2 个召回算子（可查证） │
└────────────────────────────────────────────────────────────┘一条证据的标准形态是**"我做了什么 + 怎么做 + 做到了什么程度"**，而不是"我做过什么"。这三者缺一则证据不完整：只说"我做过推荐系统"，面试官无法判断你的贡献；只说"AUC 提升 3.2%"，面试官无法判断这是不是你调参调出来的。
3. 面试官读简历，实际在检索三样东西
- 硬技能证据：你的技能是"用过"还是"会"还是"精通"？讲得出原理吗？——这决定你能不能过技术初筛。
- 交付证据：你有没有把一件事从头做到尾、拿到可量化的结果？——这决定面试时项目深挖有没有料。
- 自省证据：你讲不讲得清失败与取舍？——这决定你值不值得长期培养。
证据的三条硬性标准
①可验证：面试官随手一查能确认（GitHub 仓库在、比赛排名在、论文在 arXiv）；②可量化：能用数字表达的都别用形容词；③可追问：每一个数字背后，你都能讲出三句话以上的细节。满足不了其中任何一条的"证据"，都先降级为"经历"，再考虑要不要写。
二、JD 能力对标法：把岗位要求拆成证据清单
岗位差异极大，但方法只有一套：把 JD 的每条要求拆成能力项，再为每个能力项找到至少一条证据。找不到证据的能力项，要么补（做项目、打比赛），要么放弃投这个岗位——而不是硬写。
1. 拆解示范：一份真实的算法工程师 JD
假设目标 JD 的任职要求是这样的（已做脱敏简化）：
任职要求：①本科及以上学历，计算机/数学/统计相关专业优先；②熟悉 Python，掌握常用机器学习算法与深度学习基础，熟悉 PyTorch/TensorFlow 之一；③有推荐、搜索或广告相关项目经验者优先；④良好的沟通协作能力，有较强的业务理解能力；⑤熟练使用 SQL，了解 Hadoop/Spark 等大数据工具者加分。
拆解结果：
| JD 要求 | 能力项 | 证据从哪来 |
|---|---|---|
| ② 算法与框架 | 常用 ML 算法能讲原理、会调参 | 项目 + 面试问答（简历里体现"对比实验"） |
| ② 深度学习基础 | 会搭网络、懂训练技巧 | 项目里的模型结构选择 |
| ① 专业背景 | 科班出身 | 学历栏（无法造假，如实写） |
| ③ 推荐/搜索/广告经验 | 有相关领域落地 | 项目/实习/比赛（最关键的分项） |
| ⑤ SQL / 大数据工具 | 能取数、能处理大数据 | 项目里的数据处理环节 |
| ④ 沟通协作 | 与业务方协作、推进项目 | 项目中的角色描述 |
2. 证据的四种来源，信任度从高到低
| 证据来源 | 举例 | 信任度 | 备注 |
|---|---|---|---|
| 实习/工作 | 公司项目、上线效果、绩效 | ★★★★★ | 最硬，但可遇不可求 |
| 作品集项目 | 端到端项目，有仓库、有 README | ★★★★ | 完全可控，必做；怎么做见作品集项目 |
| 比赛/开源 | Kaggle / 天池 / DataFountain、GitHub 贡献 | ★★★☆ | 排名与 star 可直接查证，加分项 |
| 论文/专利 | 发表的论文、公开专利 | ★★★★ | 极硬，但多数求职者没有 |
| 课程/证书 | 在线课程、认证证书 | ★★☆ | 只能证明学习意愿，不能单独作数 |
别把"学习过程"当证据
"2025 年在 Coursera 完成吴恩达《机器学习》课程"这种条目，写出来等于告诉面试官"我没有实战经验"。课程是打地基用的，不是简历素材；简历素材必须是你产出过的东西。课程背景可以放进"教育经历"的补充说明（如"本科期间系统学习过机器学习、概率统计"），但绝不能占据项目的位置。
3. 实操步骤：一份 JD 十分钟拆完
- 把 JD 中所有动词短语圈出来（"熟悉""掌握""有……经验""了解"），逐条转成能力项。
- 用能力地图对自己逐项打分：会 / 半会不会 / 不会。
- 为每个"会"的能力项找到对应证据；"半会不会"的决定是否在投递前补；"不会"的不要硬写。
- 对照结果判断人岗匹配度：匹配度低于 60% 的岗位，除非是学习型岗位，否则投入产出比很低。
- 把拆解结果存成文件，每次投递前按目标 JD 重新过一遍——这就是"按 JD 微调简历"的原料（见第八节）。
两条反向用法
这套方法不只用来写简历。投递前用它评估岗位值不值得投：JD 里要求的能力项，与你证据链的重合度，基本等于你过初筛的概率。面试前再用它列"面试官可能追问的 20 个问题"——追问永远围绕你简历上写了的证据展开。
三、项目经历的写法：STAR 法 ML 版
项目经历是简历的承重墙。写法的总原则一句话：用 STAR 结构，把"做了什么"升级成"在什么情境下、为了解决什么问题、采取了什么行动、拿到了什么可量化的结果"。
1. STAR 的 ML 化改造
经典 STAR 四要素：情境（Situation）、任务（Task）、行动（Action）、结果（Result）。在机器学习语境下，四个要素各对应一个必须回答的技术问题：
| 要素 | 通用问题 | ML 版必须回答 | 反面示例 |
|---|---|---|---|
| S 情境 | 背景是什么？ | 业务场景、数据规模、约束（算力/时限/成本） | "我做过一个推荐系统" |
| T 任务 | 你要解决什么？ | 优化什么指标？离线还是线上？基线是谁？ | "做推荐" |
| A 行动 | 你具体做了什么？ | 特征怎么构造、模型怎么选、为什么这么选、踩了什么坑 | "用了 XGBoost" |
| R 结果 | 结果如何？ | 模型指标 + 业务指标，并注明与谁的对比 | "效果不错" |
注意行动项里的两个关键词："为什么这么选" 和 "踩了什么坑"。前者证明你有判断力而非只会调参，后者证明你真的做过——没做过的人编不出真实的坑。
2. 普通写法 vs 好写法：一个完整的对照
用同一个虚拟项目（校园二手平台交易额预测）做三版演示：
❌ 普通写法（流水账，三句都在说"做了什么"）：
基于机器学习的校园二手交易额预测系统 使用 Python 和 XGBoost 建立预测模型，预测平台的每日交易额。使用了 pandas 处理数据，对缺失值进行了填充，用 train_test_split 划分数据集，模型的 R² 为 0.85。最后用 Flask 做了一个简单的展示页面。
这一版的问题清单：没有情境（数据从哪来？多少？）；没有任务目标（预测准了有什么用？）；行动只有工具名没有判断（为什么 XGBoost？为什么填充缺失值？）；结果只有一个不知对比基线的 R²；四句话连一句"为什么"都没有。
✅ 好写法（证据链，四要素齐全）：
校园二手平台交易额预测系统 —— 数据驱动运营决策
- 情境：校内二手平台日交易额波动大，运营侧靠经验判断备货与活动节奏，急需一个可量化的预测工具；历史数据 3 年、1.8 万条日级记录，含交易、天气、节假日与活动标签。
- 任务：以"预测次日交易额"为目标，要求误差 ≤10%，为运营排期提供依据；基线采用最近 7 日均值（MAPE 18.6%）。
- 行动：清洗并构造 32 维特征（节假日、学期周期、活动哑变量、滑动窗口统计）；对比线性回归、GBDT、XGBoost 与 LightGBM 四类模型；针对季节波动引入时间序列交叉验证（
TimeSeriesSplit）避免时间泄漏，用 SHAP 验证特征可解释性；将模型封装成 FastAPI 服务并接入了钉钉每日推送。- 结果：LightGBM 最优，MAPE 从基线 18.6% 降至 9.2%（-9.4pp）；模型上线后被运营每周引用，辅助三次大型活动的时间窗口决策；该项目入选学院年度创新项目。
好写法与普通写法在字数相近的情况下信息量天差地别：它让面试官能立刻提问"时间泄漏你怎么处理的？""SHAP 里哪个特征最重要？"——而这些问题正是你准备好的谈资。
3. 量化指标：模型指标 + 业务指标，两个都要
ML 项目的指标有两个层次，简历里只写一个就是残缺的：
| 层次 | 定义 | 例子 | 常见错误 |
|---|---|---|---|
| 模型指标 | 模型本身做得好不好 | Accuracy、AUC、F1、MAPE、NDCG | 只写这一个，且不给对比基线 |
| 业务指标 | 业务到底受益没有 | 转化率、留存、收入、成本、人效 | 完全没写，暴露"没有业务思维" |
写法上注意四点：
- 永远带对比："AUC 0.85"没有信息量，"AUC 从 0.78 提升到 0.85"才有——对比对象可以是基线模型、旧线上版本或团队此前的指标。
- 模型指标与业务指标要能自洽：AUC 涨了但业务没涨，会招来最尖锐的追问；如实写下"离线提升、上线持平"反而是可信的（见第六节第 8 条）。
- 诚实标注口径：离线实验、线上 A/B、全量上线，口径不同数字不可比，写清楚。
- 数字要经得起除法和追问：写"提升 300%"前先想清楚是相对谁——面试官一定会问。
四、技术栈怎么列：分层，别堆名词
技能列表是"堆名词重灾区"：一行二十个工具名，面试官扫一眼就知道没深用过。正确做法是分层 + 标注熟练度 + 与证据挂钩。
1. 四层结构：语言 / 框架 / 模型 / 工具
| 层级 | 内容 | 示例 | 标注方式 |
|---|---|---|---|
| 语言 | 编程语言 | Python（精通）、SQL（熟练）、C++（了解） | 熟练度必须诚实 |
| 框架 | 深度学习/ML 框架 | PyTorch（主力）、scikit-learn、LightGBM | 标注主力与使用场景 |
| 模型/方法 | 你真正用过的算法族 | 树模型、FM/DeepFM、Transformer、RAG | 只写"用过+讲过原理"的 |
| 工具 | 工程与基础设施 | Git、Docker、MLflow、Linux、Spark | 只写真正上过手的 |
分层的好处是让面试官一眼看清你的能力结构：语言是地基，框架是日常工具，模型/方法是专业判断力的体现，工具说明工程落地能力。四个层次里，"模型/方法"层最值钱——它直接对应 JD 的能力项，也是项目证据所在。
2. 标注熟练度的自洽规则
- 只能选一档：「精通 / 熟练 / 了解」，别用"熟悉""掌握"这类模糊词。
- "精通"必须能讲原理：精通 PyTorch 意味着你讲得出 autograd 的机制、能手写一个 backward；写"精通"前先自问敢不敢接受 10 分钟追问。
- 熟练度要与项目证据一致：项目里用过的写"熟练"，面试官打开仓库就能验证；没用过只学过的写"了解"。
堆名词的代价：一条被戳穿，全页归零
"熟悉 PyTorch、TensorFlow、Keras、PaddlePaddle、Caffe、MXNet、scikit-learn、XGBoOST、LightGBM、CatBoost……"——面试官随手挑一个冷门的问你原理，你答不上来，剩下的所有"熟悉"都会被打问号。技能列表宁少勿滥：写十项不如写五项经得起追问的。真实感 > 覆盖面，这条法则在整个求职过程中都成立。
五、深度 vs 广度：按岗位决定突出什么
"面面俱到"在简历上是贬义词——它意味着没有任何一面足够深。简历必须有主攻方向，而主攻方向由目标岗位决定。
| 岗位类型 | 优先突出 | 次要展示 | 简历上的体现 |
|---|---|---|---|
| 算法工程师 / 研究员 | 推导深度：模型原理、损失函数、数学直觉 | 落地广度 | 项目里写清模型选型依据、损失设计、训练技巧；可单列"技术洞察" |
| ML / 数据工程师 | 落地广度：全链路、稳定、可维护 | 算法深度 | 项目里写清架构、管道、监控、上线流程；强调可复现与工程化 |
| 大模型工程师 | 大模型应用深度：RAG、微调、评估体系 | 传统 ML 基础 | 项目聚焦 LLM 应用链路与评测方法论 |
| 数据科学家 | 业务深度：问题定义、指标、A/B、结论沟通 | 建模能力 | 项目里写清"为什么做"与"结论如何影响决策" |
1. 算法岗：用"推导与取舍"证明深度
算法岗的深挖环节基本是"现场推导 + 原理追问"。简历阶段你能做的，是在项目里留下可被追问的深度钩子：
- 写明模型选型的对比过程与最终取舍（"FM 捕捉二阶交叉、Deep 部分学高阶特征"）；
- 写明自定义损失函数或训练技巧（如负采样比例、困难样本挖掘）；
- 写明对数据分布的理解（"长尾严重，故用加权 F1 而非准确率评估"）。
这些钩子的潜台词是："我可以现场给你讲 30 分钟，而且有数学依据。"
2. 工程岗：用"端到端与稳定性"证明广度
工程岗不指望你推导最新的注意力变体，但要求你能把模型变成可靠系统。突出的是：
- 全链路的覆盖（取数 → 训练 → 评估 → 部署 → 监控）；
- 对"稳定"的理解（特征平台、版本管理、漂移检测、回滚预案）；
- 与团队协作的事实（跨部门推进、文档沉淀）。
一句总原则
深度靠"一个点挖到底"，广度靠"一条线走到尾"。 简历上的项目应当体现：至少一个项目你挖到了推导/机制层（深度），同时每个项目都覆盖了完整链路（广度）。一个"既深又完整"的项目，胜过五个"每个都只到 notebook 出一张图"的项目。此条与作品集项目里的"1 主线 + 1 辅线"结构完全一致。
六、简历常见致命伤：10 个反例
以下 10 个问题按杀伤力排序，每一个都会直接导致被筛掉。完整的工程侧踩坑清单另见常见陷阱与反模式——那里是项目侧的，这里是简历侧的。
反例 1：堆名词不解释
❌ "精通 XGBoost、LightGBM、CatBoost、GBDT，熟悉 PyTorch、TensorFlow……" ✅ 改为分层技能区，只留经得起追问的，并把最相关的两三项挂到项目证据下。
反例 2：只写课程，不写项目
❌ 教育经历下罗列五门网课，项目经历为空。 ✅ 网课只作一行背景，把时间投进作品集项目——哪怕只有一个，也远胜十门课。
反例 3：指标造假嫌疑（数字经不起追问）
❌ "准确率提升 50%""效果提升 3 倍"——相对谁？口径是什么？ ✅ 给出对比基线与口径："AUC 0.81→0.87（相对逻辑回归基线，离线 5 折交叉验证）"。
反例 4：把别人的项目写到自己名下
❌ 课程大作业、教程复现、团队里别人的模块，一字不改写成"我负责"。 ✅ 如实标注角色与贡献范围；面试官追问细节时，你连数据预处理的小坑都要讲得出——写下来就必须讲得出。
反例 5：只写工具，不写判断
❌ "使用 pandas 进行数据清洗，使用 XGBoost 建立模型，使用 Flask 部署。" ✅ 每个工具背后都补一句"为什么"："因数据含强季节性，选择 LightGBM 并做时间序列切分验证"。
反例 6：格式混乱
❌ 五种字号、三种对齐、彩色图标、PDF 导出后乱码、错别字。 ✅ 单栏或双栏统一模板、全文字体一致、重点用加粗而非颜色、导出前检查三遍拼写——错别字在 ML 岗简历里近乎一票否决（"细节"即证据）。
反例 7：信息冗长无重点
❌ 两页半、每段八行、把不相关经历（发传单、摆摊）都写进来。 ✅ 应届一页、有经验两页内；每段经历不超过 5 行；与目标岗位无关的经历直接删除。
反例 8：只报喜不报忧
❌ "模型上线后效果显著"，对调参失败、上线回滚只字不提。 ✅ 如实写一句复盘："首版模型因特征延迟上线后负向，改为离线批量特征后回正"——面试官要的不是完美，是真实与反思。
反例 9：没有个人关键词
❌ 整页读完，面试官说不上来你是"做过推荐的人"还是"做过 CV 的人"。 ✅ 第一屏（姓名下方）用三行"个人定位"锁定主攻方向，其余内容全部向它收敛。
反例 10：投递不微调
❌ 同一份简历海投 50 个岗位，JD 里写的"熟悉 SQL"在你的简历里找不到对应证据。 ✅ 按第八节流程，针对每个目标岗位调整能力项排序与项目详略。
最贵的错误不是上面这些
上面 10 条都是"写不好"，最贵的是"造假"。简历造假（编造学历、虚构项目、冒用他人成果）在机器学习这个小圈子里极其容易被发现——代码仓库、论文、比赛排名、HR 背调，样样可查。一次造假被识破，代价是这个行业的人脉与口碑。宁可简历单薄，不可简历失实。
七、简历模板骨架：一份可直接套用的 Markdown 模板
以下是一份覆盖上述所有原则的模板骨架，【】内为说明，替换成你自己的内容即可。所有"为什么"与"对比基线"都别删——它们是你区别于流水账的全部所在。
markdown
# 姓名｜目标岗位：算法工程师
> 联系电话 ｜ 邮箱 ｜ GitHub/博客 ｜ 所在城市
> 一句话定位：3 年机器学习建模与落地经验，主攻推荐场景，熟悉树模型与深度排序模型，具备从特征到上线的完整链路能力。 【反例 9 的个人关键词】
## 教育经历
- **XX大学 · 计算机科学与技术 硕士**（20XX.09 – 20XX.06）
- 方向：机器学习；GPA：x.x/4.0（前 20%）
- 相关课程：机器学习、概率统计、优化方法、数据结构与算法
## 项目经历（按含金量排序，优先放与目标 JD 最相关的一个）
### 项目名｜一句话定位（"XX 场景的 XX 预测/推荐系统"）
- **情境**：数据规模 / 业务背景 / 约束条件。
- **任务**：优化指标 X（基线 Y，来源为旧模型或启发式规则）。
- **行动**：分 2-3 点写"做了什么 + 为什么这么选 + 踩了什么坑"，
例如特征工程做法、模型对比与选型理由、评估方法（防泄漏）与可解释性验证。
- **结果**：模型指标（含对比基线）+ 业务指标（含口径），如实写复盘。
- 技术栈：Python / PyTorch / LightGBM / SQL 【与技能区互相印证】
### 项目二｜……（同上结构；若为作品集项目，附仓库链接）
## 实习/工作经历（如有）
### 公司 · 算法实习生（20XX.06 – 20XX.09）
- 负责 XX 模块，做了什么、为什么、结果如何——同样遵循 STAR。
## 比赛 / 开源 / 论文（信任度第二梯队）
- Kaggle「XXX 预测」：Top 5%（1456/29000 队），方案含……；仓库：链接
- 为开源项目 XX 贡献过 YY 功能（PR 可查证）
- 论文《……》（投递/发表于 XX 会议/期刊）
## 技能（分层，宁少勿滥，必须经得起追问）
- **语言**：Python（熟练）、SQL（熟练）
- **框架**：PyTorch（熟练，讲得出 autograd 原理）、scikit-learn、LightGBM
- **模型/方法**：树模型与集成、FM/DeepFM、Transformer、RAG（了解，未落地）
- **工具**：Git、Docker、MLflow、Linux、Spark（了解）模板的两个使用要点
① 应届生若实习为空，把"项目经历"上移、删掉"实习"栏，用作品集顶上来——但绝对不要删掉"结果"那一行的量化与对比，这是全篇的命门。② 每个项目写完自测一遍：把每一条读给一个不懂这个项目的人听，他能复述出"你做了什么、做得多好"吗？不能，就再改。
八、投递策略：按 JD 微调简历，把作品集变成可点击的证据
简历写完只是完成了一半，另一半是"投递"。这一节三条策略，全部服务于同一个目标：让初筛的人在三秒内看到"这个人就是为这个岗准备的"。
1. 按 JD 微调：十分钟的定制化
不要海投同一份简历。微调不是造假，而是改变叙述的重心：
- 重排证据：JD 第一条要求是什么，简历第一屏就放对应的证据。
- 替换关键词：JD 用"排序算法"你就写"排序"，JD 用"召回/粗排/精排"你就沿用它的词——关键词与 JD 对齐能显著提高通过初筛的概率（很多公司用关键词初筛）。
- 删减不相关：JD 完全不提的内容，除非极亮眼，否则删掉或后置。
2. 作品集链接：唯一的"可当场验证"通道
简历上能放链接的地方都放上：GitHub、比赛主页、部署后的演示地址。注意三点：
- 链接必须是可访问的（检查过）、有内容的（README 齐全、能跑起来）——一份打不开的作品集比没有更糟；
- 作品集的完成度标准与写法见作品集项目，面试前把它过一遍常见陷阱与反模式里的自检清单；
- 在项目描述里主动指向作品集："完整代码与 README 见 GitHub 链接"——面试官去看了，你的可信度就完成了一次飞跃。
3. 投递节奏与数据化复盘
把投递当成一个带指标的项目来运营：
- 用表格记录：岗位、JD 关键词、投递日期、是否微调、是否进面试、面试反馈；
- 若连续 20 份投递零面试，先怀疑简历而不是怀疑市场——回到第二节重新做能力对标，找内行朋友做一轮"五秒初筛"测试；
- 若进入面试但没过，把面试问题记下来，对照面试题解析补课，同时回改简历——被追问到答不出的点，就是简历需要改写的点。
关于"作品集一定要部署上线"的澄清
很多教程要求作品集必须部署到线上服务器。部署是加分项不是必选项：一份能 clone 下来、按 README 三步跑通、实验记录完整的仓库，已经足以支撑面试深挖；部署到可访问的演示环境是锦上添花。不要为了部署消耗掉打磨模型细节与复盘的时间。
九、延伸阅读
本站继续读：
- 写简历之前先看清岗位：模块导读与岗位版图 → JD 清单
- 拆 JD 时给能力项打分：能力地图
- 简历里的项目从哪来、怎么做到可深挖：作品集项目
- 项目与工程侧的踩坑自检：常见陷阱与反模式
- 简历过筛后的下一关：面试题解析
- 整体求职节奏与学习主线：求职冲刺线；术语口径统一：术语表
外部真实资源（仅列可查证的原生资料）：
- Google Machine Learning Crash Course —— 免费中文课程，适合补面试前的基础概念与工程直觉
- Google 推荐系统框架 (Recommenders) —— 微软开源推荐系统教程仓库，做推荐项目时的高质量参考实现
- Kaggle Competitions —— 比赛排名的可查证证据来源，也是简历"比赛"栏的出处
- 天池 / 阿里云天池 —— 国内算法比赛平台，中文求职者常用
- levels.fyi —— 海外薪资与职级数据，评估目标岗位薪酬量级
- Indeed Career Guide: STAR method —— STAR 面试法的官方方法论出处
- Harvard OCS Resumes and Cover Letters —— 哈佛职业中心简历指南，通用格式与措辞规范的权威参考
最后一句话：简历不是给别人看的作品，是给面试官留的问号清单——让每一个问号都指向你能讲 20 分钟的地方。写简历的时间花在"想清楚自己做过什么、做得多好"上，永远不亏。